Datenannotation (auch Daten-Labeling) ist der Prozess, Rohdaten mit beschreibenden Zusatzinformationen zu versehen, damit überwachte Lernverfahren daraus lernen können. Bilder, Texte, Audio und Video werden dabei mit Labels oder Markierungen angereichert – das Ergebnis ist ein qualifizierter Datensatz für das Training.
Formen der Annotation
Je nach Anwendung unterscheiden sich die Techniken: In der Computer Vision zeichnen Annotatoren Bounding Boxes um Objekte, segmentieren Bildregionen oder setzen Keypoints. Bei Texten geht es um Klassifikation, Entitätserkennung oder das Markieren von Stimmungen, bei Audio um Transkription und Sprecherzuordnung. Gemeinsam ist allen Formen: Sie erzeugen die Ground Truth, an der sich das Modell orientiert.
Qualität entscheidet
Schlecht annotierte Daten verschlechtern jedes Modell – unabhängig von der verwendeten Architektur. Deshalb setzen professionelle Projekte auf klare Richtlinien, mehrere Annotatoren pro Datenpunkt und Messgrößen wie das Inter-Annotator-Agreement (etwa Cohens Kappa). Annotationsformate wie COCO oder JSONL machen die Ergebnisse maschinenlesbar und austauschbar.
Aufwand und Gegenmittel
Die manuelle Annotation ist häufig der größte Kostenposten eines ML-Projekts. Verfahren wie schwache Supervision, Active Learning oder synthetische Daten reduzieren den manuellen Aufwand, ersetzen die sorgfältige Beschriftung echter Daten aber nicht vollständig. Zusammen mit dem Feature Engineering und den Trainingsdaten bildet die Annotation das Fundament jedes überwachten Lernverfahrens.
Verwandte Grundlagen: Maschinelles Lernen.